의료영상 분석을 위한 증대 강도에 따른 주기적 학습 난이도 조정 전략 연구 = Cyclic Curriculum via Augmentation Intensity for Medical Image Analysis

국문 초록 (Abstract)

딥러닝 기반 컴퓨터 보조 진단 기술 (Computer-Aided Diagnosis, CADx) 시스템은 의료 영상에서 질환을 정밀하게 진단하는 데 중요한 역할을 수행하지만, 데이터 부족과 복잡한 구조적 패턴으로 인해 일반화 성능이 제한되는 문제가 있다. 이를 보완하기 위해 다양한 데이터 증대 기법이 활용되고 있으나, 과도한 증대는 병변 경계나 미세 조직 구조 등 핵심 진단 정보를 왜곡하여 오히려 성능을 저하시킬 수 있으며, 반대로 약한 증대는 다양성이 충분히 확보되지 않아 일반화 성능 향상이 제한될 수 있다. 이러한 한계를 해결하기 위해 학습 과정 전반에서 증대 강도를 주기적으로 조절하는 커리큘럼 기반 증대 전략인 CyclicAugment를 제안한다. CyclicAugment는 원본 데이터에서 학습을 시작해 점진적으로 증대 강도를 높여 강한 증대를 적용한 뒤 증대 강도를 다시 감소시켜 원본 데이터로 되돌아오는 순환 구조를 통해 데이터 다양성과 진단 정보 보존 간의 균형을 유지한다. 추가적으로 Intensity-based Learning Rate (ILR)을 적용하여 약한 증대 구간에서는 높은 학습률로 학습 효율성을 강화하고, 강한 증대 구간에서는 학습률을 감소시켜 그래디언트 불안정성을 완화한다. 실험은 MedMNIST의 Breast, Derma, Retina, Pneumonia 서브셋과 자연 이미지 데이터셋 STL-10을 대상으로 합성곱 기반 ConvNeXt, MLP 기반 Mixer, Transformer 기반 ViT 모델에 제안된 CyclicAugment와 ILR을 적용하여 수행하였다. 그 결과, 제안 기법은 원본 학습 방식 및 기존 증대 전략 대비 의료 영상과 자연 영상 모두에서 분류 성능과 일반화 성능을 향상시키고, 성능 변동성을 감소시키는 경향을 보여 CyclicAugment와 ILR의 효과와 범용성을 검증하였다. 본 학위논문은 저자가 기게재한 SCIE 저널 논문을 기반으로 내용을 재구성하였다.

다국어 초록 (Multilingual Abstract)

Deep learning–based computer-aided diagnosis (CADx) systems are widely used for medical image analysis, yet their generalization is often limited by data scarcity and complex structural patterns. Data augmentation is commonly adopted to increase training diversity; however, overly strong transformations can distort critical diagnostic cues (e.g., lesion boundaries and fine tissue structures), while overly weak transformations may provide insufficient diversity, resulting in limited generalization. To address this trade-off, this study proposes CyclicAugment, a curriculum-inspired strategy that cyclically adjusts augmentation intensity throughout training, transitioning from original/weakly augmented data to strongly augmented data and back. In addition, an Intensity-based Learning Rate (ILR) scheme is introduced to stabilize optimization by increasing the learning rate under weak augmentation and decreasing it under strong augmentation. Experiments on four MedMNIST subsets (BreastMNIST, DermaMNIST, RetinaMNIST, and PneumoniaMNIST) and the natural-image dataset STL-10 using ConvNeXt, Mixer, and ViT demonstrate that the proposed framework consistently improves classification performance and generalization compared with baseline training and conventional augmentation methods.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구 개요 1
• 2. 관련 연구 3
• 3. 연구 차별성 및 기여 5
• Ⅱ. 연구 내용 6
• 1. 연구 데이터셋 6
• 1) MedMNIST 6
• 2) STL-10 7
• 2. 증대 강도 기반 학습 난이도 조정 전략 9
• 1) CyclicAugment 9
• 2) Intensity-based Learning Rate (ILR) 13
• 3. 딥러닝 모델 14
• 1) ConvNeXt 15
• 2) MLP Mixer (Multi-Layer Perceptron Mixer) 16
• 3) ViT(Vision Transformer) 17
• Ⅲ. 연구 결과 18
• 1) MedMNIST 학습 결과 19
• 2) STL-10 학습 결과 22
• Ⅳ. 결론 24
• 참고문헌 26
• Abstract 30